一种智能护理床用起身意图监测方法与流程

本发明应用于自动监测领域，提供一种一种智能护理床用起身意图监测方法。

背景技术：

随着我国逐渐步入老龄化社会,因病痛、意外行动不便的卧床压疮高危人群越来越多,压疮不但给患者生理和心理造成巨大的伤害,也会给家庭和社会带来沉重的负担。由于各种灾难和疾病造成的残障人士也逐年增加，他们存在不同程度的能力丧失，如行走、视力、动手及语言等。传统护理床无论是手摇式还是电动式，均限制于人为操作的条件。在当下，智能家居概念已在逐渐兴起，基于数量巨大的老年人与残障人士需要护理的客观要求，人民生活水平的提高以及减轻家人、护理人员劳动强度的渴望，加上传统使用的护理床无法满足要求，我们便需要更高技术含量的智能护理床来满足功能障碍群体对生活自理、自立的迫切渴求。如何识别使用者意图状态使得护理床成为智能化设备的方案设计是目前亟待解决的问题。目前对于起身监测方法的研究还处于一个空白状态，市面上相关的方法如视讯监测方法，是通过对图像变化进行判断识别，并不能监测到不便起身使用者起身意图所产生的微小动作；而《基于表面肌电的运动意图识别方法研究及应用综述》[丁其川熊安兵赵新刚韩建达自动化学报，2016,42(1)]中通过肌电信号识别人体动作意图在识别起身过程则过于复杂，起身的过程中肩、背、腰、腹众多肌肉群参与动作，通过肌电信号识别困难，识别的准确度也难以保证，并且要佩戴许多电极片或传感器导致使用不便。如何针对活动不便者进行起身意图识别便是本发明的主要解决内容。

技术实现要素：

针对现有技术的不足，本发明所要解决的技术问题是，提供一种智能护理床用起身意图监测方法，该方法能识别用户动作意图，能用于提供辅助起身。

本发明解决所述技术问题采用的技术方案是：提供一种智能护理床用起身意图监测方法，该方法使用柔性压力传感器床垫与mcu主控单元，实时获取使用者卧躺时的压力变化数据，再由上位机处理系统依靠预设的识别算法，对使用者床面压力数据进行分析识别，监测出使用者是否有起身意图；

该方法的详细步骤是：

第一步、状态判断：

在正常运行下，设定卧躺最低压力阈值和卧躺有效面积阈值，上位机通过mcu主控单元实时采集柔性压力传感器的数据，若采集到的压力数据不大于卧躺最低压力阈值，或者压力传感器处于最低压力10％的面积小于卧躺有效面积阈值，记为状态1，此时数据采集模式以低频低耗模式进行数据收集，实现无人使用或有人但非卧躺状态时低耗休眠状态；否则采集到的压力数据大于卧躺最低压力阈值，同时压力传感器处于最低压力10％的面积不小于卧躺有效面积阈值，即可判定使用者已卧躺于床面，记为状态2，数据采集模式调节为正常使用模式；

第二步、定位使用者卧躺区域：

将状态2采集到的压力传感器信息进行卡尔曼滤波处理；消除干扰后的信号，利用labview根据其在传感器的相应坐标生成可视化的压力分布图，依靠调整mcu主控单元串口通信波特率来调节扫描速度获得实时压力分布图像，在状态2下，时刻检测使用者的压强变动幅度，若压强在10s内变动幅度不大于50％，则将当前压力分布状态设为正常卧躺状态；

再在此正常卧躺状态下，采集柔性压力传感器上的横纵单元上不同的压力值，并生成相应的压力分布图，定位出使用者卧躺区域；

对于卧躺区域，按照人体结构规律中轴线定位脊柱、三个头长位置为腰部进行显著区域划分，选定卧躺者可显著反应起身动作意图上半身区域，即肩部、背部、腰部；

第三步、对起卧意图进行实时监测：

由预设识别算法对上半身区域进行监测计算，当区域压力变化比例超过算法标准值的时候表示有起或者躺的意图；识别算法的具体流程是：

选定采集到的一块压力区域，由进入正常卧躺状态时传感器每个单元面积与压力值计算压强值的±100设定为该点有效上下限阈值，经选定的腰、背、肩的区域每个值与有效阈值进行比较，大于等于有效上限阈值的输出为true，小于等于有效下限阈值的输出为false；计算输出为true与输出为false区域压强值的比例；

设定起身状态比例系数为0.5，让输出为true区域的压力值和输出为false区域的压力值之比与其比较，当输出true区域与输出为false区域之比大于比例系数时，即认为有起身意图，当输出true区域与输出为false区域之比等于比例系数时，认为使用者没反应，即没动；当输出true区域与输出为false区域之比小于比例系数时，认为使用者落下；由此实现判断使用者的起身意图识别；

第四步：记忆学习

在使用中不断记录同一个使用者的起卧样本数据，运用机器学习算法设置相应的样本分类器，将使用过程中正确识别意图时的有效工作的数据进行记录，从原始的粗标准不断针对特定使用者具体身体参数修改优化第三步中判断起身意图的有效阈值与比例系数，提高起卧意图监测的精确度。

与现有技术相比，本智能护理床用起身意图检测的方法能达到的有益效果为：

1)简单方便：

目前现有的方法如视讯监测通过图像识别无法识别起身不便者要起身时的微小动作，表面肌电感应的方法准确度无法保证，不仅需要使用者穿戴相应传感器且轻微的挪动和起背将无法区别。本发明方法在主要通过卧躺者压力分布变化识别解决了起背识别的问题情况下还达到了无需穿戴繁杂配件，无需过多人为控制设置的简便效果。

2)自动化、智能化程度高：

整个识别过程无需人为过多操作，该方法本身还能随着使用过程中通过筛选记录有效执行的数据不断进行自我校正、优化从而提高识别精确度、识别准确性。

本发明为一种智能护理床用的起身意图检测的方法，利用安装在智能床上的柔性压力传感器测量使用者卧躺时床面压力分布进行实时监测，该方法利用柔性压力传感器监测床面压力变化，由mcu主控单元控制采集压力分布数据，送到上位机对数据进行处理。该方法能够通过压力变化识别监测到使用者的起身意图，为护理床采取辅助起背功能提供指引。此方法响应速度快，准确度高。

附图说明

图1是实例一使用者卧躺时的压力数据图；

图2是实例一使用者起背时的压力数据图；

图3是实例一中使用者卧躺和起背时的压力数据对比图；

图4是实例二使用者卧躺时的压力数据图；

图5是实例二使用者起背时的压力数据图；

图6是实例二中使用者卧躺和起背时的压力数据对比图；

具体实施方式

下面结合实施例进一步解释本发明，但并不以此作为对本申请保护范围的限定。

本发明智能护理床用起身意图监测方法，该方法使用柔性压力传感器床垫与mcu主控单元，实时获取使用者卧躺时的压力变化数据，再由上位机处理系统依靠预设的识别算法，对使用者床面压力数据进行分析识别，监测出使用者是否有起身意图，从而有利于辅助活动不便的使用者进行起卧。

该方法的详细步骤是：

第一步、状态判断：

在正常运行下，设定卧躺最低压力阈值和卧躺有效面积阈值，上位机通过mcu主控单元实时采集柔性压力传感器的数据，若采集到的压力数据不大于卧躺最低压力阈值，或者压力传感器处于最低压力10％的面积小于卧躺有效面积阈值，记为状态1，此时数据采集模式以低频低耗模式进行数据收集，调节数据采集频率来实现无人使用或有人但非卧躺状态时低耗休眠状态，有人卧躺使用时再恢复正常采集频率；否则采集到的压力数据大于卧躺最低压力阈值，同时压力传感器处于最低压力10％的面积不小于卧躺有效面积阈值，即可判定使用者已卧躺于床面，记为状态2，数据采集模式调节为正常使用模式；

第二步、定位使用者卧躺区域：

将状态2采集到的压力传感器信息进行卡尔曼滤波处理，以消除信号干扰；消除干扰后的信号，利用labview根据其在传感器的相应坐标生成可视化的压力分布图，依靠调整mcu主控单元串口通信波特率来调节扫描速度获得实时压力分布图像，在状态2下，时刻检测使用者的压强变动幅度，若压强在10s内变动幅度不大于50％，则将当前压力分布状态设为正常卧躺状态；

再在此正常卧躺状态下，采集柔性压力传感器上的横纵单元上不同的压力值，并生成相应的压力分布图，定位出使用者卧躺区域；

对于卧躺区域，按照人体结构规律中轴线定位脊柱、三个头长位置为腰部进行显著区域划分，选定卧躺者可显著反应起身动作意图上半身区域，即肩部、背部、腰部；

人当有起身意图时，身体中先是骶棘肌收缩牵引人抬头，再是腹肌和髋部各部分的肌肉群的屈肌收缩带动上半身直起，完成整个起身动作。而在这一行为过程中，人体于卧躺床面的压力变化趋势十分显著，这即是判断使用者是否有起身意图的关键。用户由于体力不支或是活动困难，意图起身时身体肌肉提供的力不足以完成起身的动作，但是提供的压力变化信号已足以判明用户起身的意图。

第三步、对起卧意图进行实时监测：

由预设识别算法对上半身区域进行监测计算，当区域压力变化比例超过算法标准值的时候表示有起或者躺的意图；识别算法的具体流程是：

选定采集到的一块压力区域，由进入正常卧躺状态时传感器每个单元面积与压力值计算压强值的±100设定为该点有效上下限阈值，经选定的腰、背、肩的区域每个值与有效阈值进行比较，大于等于有效上限阈值的输出为true，小于等于有效下限阈值的输出为false；计算输出为true与输出为false区域压强值的比例；

设定起身状态比例系数为0.5，让输出为true区域的压力值和输出为false区域的压力值之比与其比较，当输出true区域与输出为false区域之比大于比例系数时，即认为有起身意图，当输出true区域与输出为false区域之比等于比例系数时，认为使用者没反应，即没动；当输出true区域与输出为false区域之比小于比例系数时，认为使用者落下，由此实现判断使用者的起身意图识别。

第四步：记忆学习

在使用中不断记录同一个使用者的起卧样本数据，运用机器学习算法设置相应的样本分类器，将使用过程中正确识别意图时的有效工作的数据如压力分布状态以及有效的比例系数进行记录，从原始的粗标准不断针对特定使用者具体身体参数修改优化第三步中判断起身意图的有效阈值与比例系数，提高起卧意图监测的精确度，以适应同一个使用者不同状况的变化。

机器学习算法的具体过程是：

任务t：修正获取更加贴合使用者的起身比例系数

性能标注p：正确识别起身意图的概率百分比

训练经验e：每次成功识别起身时的卧躺数据

首次使用时可以通过五至十次使用者自行起身模拟提供给系统作为初始样本库，系统自行通过微调初值为0.5的起身状态比例系数k，使初始样本库中使用者起身意图均能得到正确反馈。

假定使用者表现出起身意图所有实例集合为d，初始样本库在经过使用后不断加入成功数据形成的使用样本库的实例集合为s。k值为起身状态比例系数，h(i)为每次判断起身后，使用者是否有起身意图(i∈s，1为有，0为没有)。

对于从d中抽取的样本s的样本错误率errors(h(i))，是该假设错误分类的实例在s中所占比例，即(δ(k,h(i))在h(i)＝0的时为1，否则为0)。对于d中的真实错误率errord(h(i))，样本错误率具有95％置信度。设置条件，选取错误率最低的起身状态比例系数k值，由此依据系统自行调整起身状态比例系数k值，从而实现不断优化起身状态比例系数，提高起身意图识别精度。

本发明方法中的卧躺最低压力阈值和卧躺有效面积阈值可通过初始多次实验获得，起身意图的有效阈值与比例系数的设定也可以根据实际情况进行设置，后期可通过机器学习算法进行更新修正。

实施例

本实施例智能护理床用起身意图监测方法，该方法使用柔性传感器床垫与mcu主控单元，实时获取使用者卧躺时的压力变化数据，再由上位机处理系统依靠预设的识别算法，对使用者床面压力数据进行分析识别，监测出使用者是否有起身意图，从而有利于辅助活动不便的使用者进行起卧。

该方法的详细步骤是：

第一步、状态判断：

在正常运行下，设定卧躺最低压力阈值800n和卧躺有效面积阈值0.2m2，上位机通过mcu主控单元实时采集柔性压力传感器的数据，若采集到的压力数据不大于卧躺最低压力阈值，或者压力传感器处于最低压力10％的面积小于卧躺有效面积阈值，记为状态1，此时数据采集模式以低频低耗模式进行数据收集，调节数据采集频率来实现无人使用或有人但非卧躺状态时低耗休眠状态，有人卧躺使用时再恢复正常采集频率；否则采集到的压力数据大于卧躺最低压力阈值，同时压力传感器处于最低压力10％的面积不小于卧躺有效面积阈值，即可判定使用者已卧躺于床面，记为状态2，数据采集模式调节为正常使用模式；

第二步、定位使用者卧躺区域：

将状态2采集到的压力传感器信息进行卡尔曼滤波处理，以消除信号干扰；消除干扰后的信号，利用labview根据其在传感器的相应坐标生成可视化的压力分布图，依靠调整mcu主控单元串口通信波特率来调节扫描速度获得实时压力分布图像，在状态2下，时刻检测使用者的压强变动幅度，若压强在10s内变动幅度不大于50％，则将当前压力分布状态设为正常卧躺状态；

再在此正常卧躺状态下，采集柔性压力传感器上的横纵单元上不同的压力值，并生成相应的压力分布图，定位出使用者卧躺区域；

对于卧躺区域，按照人体结构规律中轴线定位脊柱、三个头长位置为腰部进行显著区域划分，选定卧躺者可显著反应起身动作意图上半身区域，即肩部、背部、腰部；

人当有起身意图时，身体中先是骶棘肌收缩牵引人抬头，再是腹肌和髋部各部分的肌肉群的屈肌收缩带动上半身直起，完成整个起身动作。而在这一行为过程中，人体于卧躺床面的压力变化趋势十分显著，这即是判断使用者是否有起身意图的关键。用户由于体力不支或是活动困难，意图起身时身体肌肉提供的力不足以完成起身的动作，但是提供的压力变化信号已足以判明用户起身的意图。

第三步、对起卧意图进行实时监测

由预设识别算法对上半身区域进行监测计算，当区域压力变化比例超过算法标准值的时候表示有起或者躺的意图；识别算法的具体流程是：

选定采集到的一块压力区域，由进入正常卧躺状态时传感器每个单元面积与压力值计算压强值的±100设定为该点有效上下限阈值，经选定的腰、背、肩的区域每个值与有效阈值进行比较，大于等于有效上限阈值的输出为true，小于等于有效下限阈值的输出为false；计算输出为true与输出为false区域压强值的比例；

设定起身状态比例系数为0.5，让输出为true区域的压力值和输出为false区域的压力值之比与其比较，当输出true区域与输出为false区域之比大于比例系数时，即认为有起身意图，当输出true区域与输出为false区域之比等于比例系数时，认为使用者没反应，即没动；当输出true区域与输出为false区域之比小于比例系数时，认为使用者落下，由此实现判断使用者的起身意图识别。

第四步：记忆学习

首次使用时可以通过五至十次使用者自行起身模拟提供给系统作为初始样本库，系统自行通过微调初值为0.5的起身状态比例系数k，使初始样本库中使用者起身意图均能得到正确反馈。

假定使用者表现出起身意图所有实例集合为d，初始样本库在经过使用后不断加入成功数据形成的使用样本库的实例集合为s。k值为起身状态比例系数，h(i)为每次判断起身后，使用者是否有起身意图(i∈s，1为有，0为没有)。

对于从d中抽取的样本s的样本错误率errors(h(i))，是该假设错误分类的实例在s中所占比例，即(δ(k,h(i))在h(i)＝0的时为1否则为0)。对于d中的真实错误率errord(h(i))，样本错误率具有95％置信度。设置条件，选取错误率最低的起身状态比例系数k值，由此依据系统自行调整起身状态比例系数k值，从而实现不断优化起身状态比例系数，提高起身意图识别精度。

实际测试数据

监测起身意图主要步骤在于卧躺与起背两种状态间柔性压力传感器床垫所监测到的变化比例数值，以下展示的两个实例随便取真人实际模拟试验中识别起卧部分中人卧躺时人体中轴线的数据变化进行展示。

实例一

试验时安排实验者先普通卧躺并记录卧躺时的压力数据。

实验者保持卧躺状态10s后进入状态2。将传感器得到的数据生成压力分布图定位使用者卧躺位置，以下取人体中轴线即脊柱位置压力分布展示，横轴正方向为由脚至头的方向，纵轴为压力值。

卧躺时压力数据见表1及图1：

表1卧躺时压力数据表

随后令实验者做轻微的起背动作(用力不足以起身，但能稍稍抬起躯干)，记录起背状态的压力数据。

起背状态压力数据见表2及图2：

表2起背状态压力数据表

上述两状态对比结果见图3，压力分布状态图从左至右为从脚到头，需要识别的腰、背、肩区域为x>31的区域其中x轴向坐标43至51区域形成ture判断区；20、52至58与61至64区域形成false判断区，输出true区域与输出为false区域之比为0.727大于比例系数0.5，此状态可判别为使用者具有起身意图。

实例二

第二个使用者的卧躺时压力数据见图4，起背状态压力数据见图5，两状态对比结果数据简图6：实例二的判别流程同实例一。最终结果得到true与false比值为0.9大于比例系数0.5判断为有起身意图。

不同程度的行动不便与不同的使用者，起身时所用的力不相同，发力方法也不相同，但大部分均能以上述方法识别起身意图，再由后期机器学习进行修正校准，可以匹配不同状况的不同使用者。

本发明未述及之处适用于现有技术。